Primjena tehnika segmentacije i klasifikacije slika na podatke Sentinela 2A za pracenje procesa dezertifikacije

Abstract

Praćenje pokrova zemljišta u aridnim i poluaridnim zonama pomocu daljinskog istraživanja kljucno je za razumijevanje procesa dezertifikacije i usmjeravanje strategija održivog upravljanja zemljištem. Ovo istraživanje procjenjuje ucinkovitost nekoliko nenadgledanih algoritama za segmentaciju i klasifikaciju slika, konkretno K-means i ISODATA (integrirani u QGIS), kao i SLIC, Mean Shift i Felzenszwalb (primijenjeni u Pythonu), u svrhu kartiranja pokrova zemljišta u jugoistocnom Maroku, saharskoj regiji izrazito osjetljivoj na degradaciju tla. Analiza se temelji na satelitskim snimkama Sentinel-2A prikupljenima tijekom sušne sezone (u travnju), pri cemu su korištene tri kombinacije RGB kanala (1 1 /8/2, 1 2/1 1 /4 i 8/4/3) radi boljeg razlikovanja kljucnih jedinica pokrova zemljišta: pješcanih dina, pustinjskih kora, rijetke vegetacije, rijecnih korita (wadi) i stjenovitih platoa.Rezultati pokazuju da svaki algoritam ima svoje specificne prednosti i ogranicenja ovisno o složenosti krajolika i parametrima segmentacije. K-means i ISODATA omogucuju brzu i lako tumacivu klasifikaciju, ali cesto miješaju mebuklase. S druge strane, naprednije metode poput SLIC-a (posebno s 500 do 1 000 segmenata), Mean Shifta (s prilagobenim širinama pojasa) i Felzenszwalba (na srednjoj skali) pružaju bolju prostornu razlucivost i tematsku preciznost, osobito za vegetaciju i linearne elemente, iako zahtijevaju više racunalnih resursa.Dobiveni rezultati naglašavaju važnost odabira metode u skladu s ciljevima analize i dostupnim resursima. Primjena tih tehnika daljinskog istraživanja predstavlja ucinkovit nacin unaprjebenja sustava pracenja dezertifikacije i podršku nacionalnim projektima, osobito onima koje koordinira Visoko povjerenstvo za vode, šume i borbu protiv dezertifikacije.